走进埃及

记得在很小的时候，我就已知道在那遥远的非洲，有一个文明古国叫埃及，那里不但有尼罗河，而且有神秘的金字塔和法老的木乃伊，故孩提时代，就对这个神秘的国度无限憧憬，心向往之。今年初，我有幸随同中国出版代表团赴埃及出席第39届开罗国际图书博览会，从而有机会对这个神秘古国进行零距离的接触。     

3DGIS中复合地形纹理生成与应用

3DGIS仅用数字高程模型(DEM)表现地形远达不到三维可视化的要求.在传统3IDGIS中,通常采用数字正射影像(DOM)作为DEM的纹理表达地面景观,但其逼真性往往会受到影像分辨率的限制.该文借鉴Mipmap思想,提出一种新的纹理生成方法来解决上述问题,即通过对DOM和二维矢量数据赋予投影信息,将多幅影像及相关矢量数据作为生成3DGIS地形的纹理数据源,生成不同分辨率、不同详细程度的金字塔纹理,动态表现地面景观,并对生成的金字塔模型数据进行高效的索引、存储与管理.上述方法在实际应用中取得了满意的访问效率和视觉效果.     

大数据量遥感影像快速显示剖分组织方法研究

提出了基于全球剖分格网的大数据量遥感影像快速显示方法,并基于VC平台实现.测试表明,它具有LOD技术优点,兼有影像金字塔的长处,并且利用剖分面片无缝铺盖球面的性质和地址码的关联性,可解决图像的重叠问题,能实现遥感影像的快速搜索与显示,具有局部图像快速更新、图像无缝连接等优点.     

线性参照系统下的嵌套金字塔模型构建

针对线性参照虚拟场景构建中缺乏有效的空间数据模型的问题,本文以金字塔模型、空间索引结构和动态分段等相关研究为基础,提出了线性参照系统下的嵌套金字塔模型构建方法.首先,结合线性场景数据特征,对动态分段技术进行拓展,增加垂直方向结构化金字塔模型;然后,将线性参照在多尺度下进行静态分段,对相互独立的弧段分别进行存储,构建静态...     

一种结合动态目标检测的视觉SLAM算法

针对目前视觉SLAM算法大多基于小区域静态环境,较少考虑实际场景常存在动态物体,从而导致视觉SLAM位姿估计不准确的问题。该文采用深度学习方法对图像进行语义分割,结合实时图像语义分割和基于稠密金字塔光流法的动态检测确定动态目标,消除了动态目标导致的SLAM特征点匹配误差,提高了视觉SLAM位姿估计的精度,解决了动态场景中视觉SLAM的不稳定性问题。同时,建图过程中,剔除运动物体构建出的地图点,构建静态地图。基于TUM数据集中动态场景测试表明,在室内动态场景下,该文算法绝对估计误差相较ORB-SLAM2算法平均减少92%,并且该文算法的速度与精度优于同类型的DS-SLAM算法。     

内官—香泉盆地地下水资源及其开发利用状况探讨

在计算内官-香泉盆地地下水资源量以及多年地下水超采量的基础上,进一步推算了盆地年均地下水超采系数和年均泉水流量衰减率,从理论上证明内官-香泉盆地是中型地下水严重超采区,盆地地下水超采量的年际变化呈明显递增趋势。由于长期持续、过量开采地下水,导致本区域环境地质灾害日趋严重。     

基于U型卷积神经网络的航空影像建筑物检测

经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km²、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。     

基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。